En este estudio, presentamos el modelo de red generativa adversarial de pocos disparos (FS-GAN), que integra el aprendizaje de pocos disparos y una red generativa adversarial con un enfoque de aprendizaje no supervisado (AnoGAN) para abordar los desafíos de la detección de anomalías en entornos de fabricación de fábricas inteligentes. Los procesos de fabricación a menudo encuentran fallos o piezas defectuosas que interrumpen la producción y comprometen la calidad del producto. Sin embargo, recopilar y etiquetar suficientes datos para detectar anomalías es intensivo en tiempo, y los datos anormales son raros, lo que lleva a desequilibrios en los datos. El modelo FS-GAN aprovecha el aprendizaje de pocos disparos para permitir predicciones precisas con datos mínimos y utiliza las capacidades generativas de AnoGAN para mitigar la escasez de datos anormales generando datos normales sintéticos. Los resultados experimentales demuestran que FS-GAN supera a los modelos existentes en términos de precisión y velocidad de aprendizaje, incluso con conjuntos de datos limitados, abordando de manera efectiva el problema del desequilibrio de datos inherente a la fabricación. El modelo reduce la dependencia de esfuerzos extensivos de recopilación y etiquetado de datos, lo que lo hace adecuado para aplicaciones del mundo real. A través de una detección de anomalías confiable y eficiente, FS-GAN contribuye a la fiabilidad de la producción, la calidad del producto y la eficiencia operativa en fábricas inteligentes. Este estudio destaca el potencial de FS-GAN para proporcionar una solución rentable y de alto rendimiento a los desafíos de la detección de anomalías en la industria manufacturera.